Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFS |
Texto Completo: | https://ri.ufs.br/handle/riufs/3393 |
Resumo: | Adaptive filtering is applied as solution for many problems in engineer. There are many techniques to improve adaptive filtering as kernel methods and, in addiction, it is used a pretuned dictionary. In this context, here is presented the KSIG algorithm, the kernel version of Sigmoide, where is used the kernel, to decrease the error, and the non-linear and even cost function to increase the convergence speed. Here it is described also, the KSIG with a pretuned dictionary, to reduce the size of the data set used to calculate the filter output, which is a kernel method consequence . The KSIG and KSIG with pre-tuned dictionary theoretical efficiency is one result of their convergence proof, which evidence that the algorithms converge in average. The learning curves, which are results of some experiments, show that when KSIG and KLMS algorithms are compared, the first converges faster, in less iterations, than the second, in the version with and without pre-tuned dictionary of both algorithms. |
id |
UFS-2_70818d6a0a01fc8947d8017448547cf7 |
---|---|
oai_identifier_str |
oai:ufs.br:riufs/3393 |
network_acronym_str |
UFS-2 |
network_name_str |
Repositório Institucional da UFS |
repository_id_str |
|
spelling |
Silva, Éden Pereira daMontesco, Carlos Alberto EstombeloMatos, Leonardo Nogueirahttp://lattes.cnpq.br/61737979077694642017-09-26T11:34:42Z2017-09-26T11:34:42Z2017-01-27SILVA, Éden Pereira da. Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear. 2017. 72 f. Dissertação (Pós-Graduação em Ciência da Computação) - Universidade Federal de Sergipe, São Cristóvão, SE, 2017.https://ri.ufs.br/handle/riufs/3393Adaptive filtering is applied as solution for many problems in engineer. There are many techniques to improve adaptive filtering as kernel methods and, in addiction, it is used a pretuned dictionary. In this context, here is presented the KSIG algorithm, the kernel version of Sigmoide, where is used the kernel, to decrease the error, and the non-linear and even cost function to increase the convergence speed. Here it is described also, the KSIG with a pretuned dictionary, to reduce the size of the data set used to calculate the filter output, which is a kernel method consequence . The KSIG and KSIG with pre-tuned dictionary theoretical efficiency is one result of their convergence proof, which evidence that the algorithms converge in average. The learning curves, which are results of some experiments, show that when KSIG and KLMS algorithms are compared, the first converges faster, in less iterations, than the second, in the version with and without pre-tuned dictionary of both algorithms.A filtragem adaptativa é aplicada na solução de diversos problemas da engenharia. Há muitas alternativas para melhorá-la, uma delas é o uso de kernel e, em adição, o uso de um dicionário pré-definido de dados. Neste contexto, este trabalho apresenta o KSIG, a versão em kernel do algoritmo Sigmoide, um algoritmo que otimiza o erro do filtro pelo emprego de uma função de custo par e não linear. Ademais, é apresentada a versão do KSIG com dicionário de dados pré-definido, visando redução do grande número de dados utilizados para obtenção da saída decorrente do uso da técnica com kernel. A eficiência teórica do KSIG e de sua versão com dicionário pré-definido é um resultado presente nas provas de convergência construídas para ambos os algoritmos, as quais demonstraram que estes convergem em média. Já as curvas de aprendizagem obtidas nas simulações computacionais dos experimentos realizados demonstraram que o KSIG quando comparado ao KLMS, em diferentes problemas de filtragem adaptativa, apresenta convergência mais rápida, em menos iterações, tanto nas versões sem tanto com dicionário pré-definido de ambos os algoritmos.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESapplication/pdfporUniversidade Federal de SergipePós-Graduação em Ciência da ComputaçãoUFSBrasilComputaçãoFiltros adaptativosAlgoritmos computacionaisKernel Sigmoide (KSIG)Filtragem adaptativaKernel Least Mean Square (KLMS)CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOProposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linearinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFSinstname:Universidade Federal de Sergipe (UFS)instacron:UFSTEXTEDEN_PEREIRA_SILVA.pdf.txtEDEN_PEREIRA_SILVA.pdf.txtExtracted texttext/plain109152https://ri.ufs.br/jspui/bitstream/riufs/3393/2/EDEN_PEREIRA_SILVA.pdf.txt0fd6be096fb430c39ad94590cbed9070MD52THUMBNAILEDEN_PEREIRA_SILVA.pdf.jpgEDEN_PEREIRA_SILVA.pdf.jpgGenerated Thumbnailimage/jpeg1310https://ri.ufs.br/jspui/bitstream/riufs/3393/3/EDEN_PEREIRA_SILVA.pdf.jpga41997a91cc9cd37235eaa68d6452673MD53ORIGINALEDEN_PEREIRA_SILVA.pdfapplication/pdf818912https://ri.ufs.br/jspui/bitstream/riufs/3393/1/EDEN_PEREIRA_SILVA.pdf0d4ab7c35a2de5532019cf55c8708a91MD51riufs/33932017-11-24 21:40:51.108oai:ufs.br:riufs/3393Repositório InstitucionalPUBhttps://ri.ufs.br/oai/requestrepositorio@academico.ufs.bropendoar:2017-11-25T00:40:51Repositório Institucional da UFS - Universidade Federal de Sergipe (UFS)false |
dc.title.por.fl_str_mv |
Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear |
title |
Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear |
spellingShingle |
Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear Silva, Éden Pereira da Computação Filtros adaptativos Algoritmos computacionais Kernel Sigmoide (KSIG) Filtragem adaptativa Kernel Least Mean Square (KLMS) CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
title_short |
Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear |
title_full |
Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear |
title_fullStr |
Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear |
title_full_unstemmed |
Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear |
title_sort |
Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear |
author |
Silva, Éden Pereira da |
author_facet |
Silva, Éden Pereira da |
author_role |
author |
dc.contributor.author.fl_str_mv |
Silva, Éden Pereira da |
dc.contributor.advisor1.fl_str_mv |
Montesco, Carlos Alberto Estombelo |
dc.contributor.advisor-co1.fl_str_mv |
Matos, Leonardo Nogueira |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/6173797907769464 |
contributor_str_mv |
Montesco, Carlos Alberto Estombelo Matos, Leonardo Nogueira |
dc.subject.por.fl_str_mv |
Computação Filtros adaptativos Algoritmos computacionais Kernel Sigmoide (KSIG) Filtragem adaptativa |
topic |
Computação Filtros adaptativos Algoritmos computacionais Kernel Sigmoide (KSIG) Filtragem adaptativa Kernel Least Mean Square (KLMS) CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
dc.subject.eng.fl_str_mv |
Kernel Least Mean Square (KLMS) |
dc.subject.cnpq.fl_str_mv |
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
description |
Adaptive filtering is applied as solution for many problems in engineer. There are many techniques to improve adaptive filtering as kernel methods and, in addiction, it is used a pretuned dictionary. In this context, here is presented the KSIG algorithm, the kernel version of Sigmoide, where is used the kernel, to decrease the error, and the non-linear and even cost function to increase the convergence speed. Here it is described also, the KSIG with a pretuned dictionary, to reduce the size of the data set used to calculate the filter output, which is a kernel method consequence . The KSIG and KSIG with pre-tuned dictionary theoretical efficiency is one result of their convergence proof, which evidence that the algorithms converge in average. The learning curves, which are results of some experiments, show that when KSIG and KLMS algorithms are compared, the first converges faster, in less iterations, than the second, in the version with and without pre-tuned dictionary of both algorithms. |
publishDate |
2017 |
dc.date.accessioned.fl_str_mv |
2017-09-26T11:34:42Z |
dc.date.available.fl_str_mv |
2017-09-26T11:34:42Z |
dc.date.issued.fl_str_mv |
2017-01-27 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SILVA, Éden Pereira da. Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear. 2017. 72 f. Dissertação (Pós-Graduação em Ciência da Computação) - Universidade Federal de Sergipe, São Cristóvão, SE, 2017. |
dc.identifier.uri.fl_str_mv |
https://ri.ufs.br/handle/riufs/3393 |
identifier_str_mv |
SILVA, Éden Pereira da. Proposta do Kernel Sigmoide (KSIG) e sua análise de convergência para a solução de problemas de filtragem adaptativa não linear. 2017. 72 f. Dissertação (Pós-Graduação em Ciência da Computação) - Universidade Federal de Sergipe, São Cristóvão, SE, 2017. |
url |
https://ri.ufs.br/handle/riufs/3393 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de Sergipe |
dc.publisher.program.fl_str_mv |
Pós-Graduação em Ciência da Computação |
dc.publisher.initials.fl_str_mv |
UFS |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Sergipe |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFS instname:Universidade Federal de Sergipe (UFS) instacron:UFS |
instname_str |
Universidade Federal de Sergipe (UFS) |
instacron_str |
UFS |
institution |
UFS |
reponame_str |
Repositório Institucional da UFS |
collection |
Repositório Institucional da UFS |
bitstream.url.fl_str_mv |
https://ri.ufs.br/jspui/bitstream/riufs/3393/2/EDEN_PEREIRA_SILVA.pdf.txt https://ri.ufs.br/jspui/bitstream/riufs/3393/3/EDEN_PEREIRA_SILVA.pdf.jpg https://ri.ufs.br/jspui/bitstream/riufs/3393/1/EDEN_PEREIRA_SILVA.pdf |
bitstream.checksum.fl_str_mv |
0fd6be096fb430c39ad94590cbed9070 a41997a91cc9cd37235eaa68d6452673 0d4ab7c35a2de5532019cf55c8708a91 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFS - Universidade Federal de Sergipe (UFS) |
repository.mail.fl_str_mv |
repositorio@academico.ufs.br |
_version_ |
1802110748451667968 |